深入浅出地，彻彻底底地理解Python语言中的编码-职坐标

深入浅出地，彻彻底底地理解Python语言中的编码

小标 2019-01-02 来源：阅读 524 评论 0

摘要：本文主要向大家介绍了深入浅出地，彻彻底底地理解Python语言中的编码，通过具体的内容向大家展示，希望对大家学习Python语言有所帮助。

本文主要向大家介绍了深入浅出地，彻彻底底地理解Python语言中的编码，通过具体的内容向大家展示，希望对大家学习Python语言有所帮助。

问题1：问题在哪里？

问题是我们的靶子，心中没有问题去学习就会抓不住重点。
本文使用的编程环境是centos6.7，python2.7。我们在shell中键入python以打开python命令行，并键入如下两句话：

s = "中国zg"
e = s.encode("utf-8")

现在的问题是：这段代码能运行吗？
答案是不能，会报如下的错：
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128)

请留意一下错误中说明的0xe4，它是我们分析错误的突破口。

相信很多人都遇到过这个错误。那么新的问题来了。

问题2：Why？

要搞清楚原因，我们不妨认真分析下这两句话的执行流程：
首先，我们通过键盘在python命令行解释器中键入了中国zg 并且给它加上了英文的双引号，然后又赋值给了变量s，看起来很稀松平常是不是？其实里面大有玄机。

当我们通过键盘在程序中输入字符时，我们是通过操作系统完成这个功能的。我们在屏幕上看到的中国zg 实际上是操作系统给我们人类的一个反馈，告诉你：“嗨，哥们，你在程序中输入了字符中国zg ”

那操作系统给程序的反馈是什么呢？答案就是01串，这个01串是什么样子，又是怎么生成的呢？
答案就是操作系统使用自己的默认编码方式，将中国zg进行了编码，并把编码后的01串给了程序。

我们用的centos系统默认的编码是utf-8，所以，只要知道中国zg每个字符的utf-8的编码就可以知道01串是什么了。

查询后，可以获得它们的编码是(以16进制和2进制表示)：

| 中 |国 | z |g|
|: ------------- |:-------------:| -----:|
|E4B8AD | E59BBD|7A|67|
|11100101 10011011 10111101|11100101 10011011 10111101|01111010|01100111|

现在我们知道操作系统传给程序的01串长什么样子了。然后，程序会怎么处理它呢？

程序看到这个01串被双引号包围着，自然知道这个01串是一个字符串。然后这个字符串被赋值给了s。

到此，就是第一句的执行逻辑。

现在继续进行第二句的执行。
e = s.encode("utf-8")的意思是将字符串s用utf-8进行编码，并将编码后的字符串赋值给e。问题来了，程序现在知道s中的01串，还知道这个01串表示的是字符串，但这个字符串的编码是什么呢？我们必须知道01串的现有编码才能解析出里面的字符，也才能用新的编码方式，如utf-8来重新编码它。操作系统只给程序传来了01串，并没有告诉程序这个01串用的字符编码是什么。

此时，python程序就会用它自己默认的编码当作s的编码，进而来识别s中的内容。这个默认的编码是ASCII，所以，它会用ASCII来解释这个01串，识别出字符串的内容，再将这个字符串转为utf-8编码。

好了，程序碰到的第一个字节就是E4（11100101 ），傻眼！ ASCII编码中没有这玩意儿，因为ASCII编码中字节第一位都是0。

怎么办？
报错呗，于是我们就看到了上面的错误。
错误中的0xe4就是字符 “中” 的utf8编码的第一个字节。

问题3：How？

知道问题出在哪里了，怎么解决这个问题呢？

显然，我们只要告诉程序，这个s中的01串的编码是utf-8，程序就应该能正确工作。

但这样的解决方法有一个问题，就是不够通用。

假如我有个程序，它要读取很多文本文件，每个文本文件的编码都不一样，岂不是针对每个读进来的文件都维护一个编码信息？很繁琐。

进一步，如果这些文本文件的内容还要做相互的比较连接之类的操作，编码都不一致，岂不是更麻烦？

python是怎么聪明地解决这个问题的呢？

很简单，就是decode！

decode的意思是说，你有一个字符串，并且你知道它的编码，只要你用该编码decode这个字符串，那么，python就会识别出里面的字符内容，同时，建一个int数组，将每个字符的unicode序号存进去。
所有的字符串都这样做，就可以确保在程序运行过程中，各种来源获得的字符串都有一样的表示。它们就可以方便地进行各种操作了。

上面说的 int数组会被python封装成一个对象，即unicode对象。

问题4：如何搞定？

下面，我们在python命令行中输入如下两行代码：

e = s.decode("utf-8")
isinstance(e,unicode)

程序的输出是True，这说明，decode后返回的e确实是一个unicode对象。
unicode在这里是一个类，是python里面的类。

e 被称作unicode字符串，意思是说，它存的是字符的unicode序号，并没有使用任何编码。

然后，我们就可以将e编码成任意一种编码，比如下面的操作都是可以的

e.encode("utf-8")
e.encode("gbk")

只要你选择的编码能够对e中的字符进行编码即可，如果不能编码，就会报错。
比如，如果你尝试这样：

e.encode("ascii")

由于ASCII并不能编码中国这两个字符，所以会爆出 encode error。

至此，我们已经看到了两种错误，decode error 和encode error，并解决了它们。